🚵
【tldv×Claude×V0】AI×プリセールスで生産性を10倍加速する実践レポート
エンジニア必見！AI×プリセールスで生産性を10倍加速する実践レポート
目次
- はじめに
- この記事のターゲットとゴール
- 背景と目的
- AI活用プリセールスフロー
- 検証結果と学び
- 課題と今後のネクストアクション
- まとめ：人×AIのベストプラクティス
- 採用情報 ―― “生成 AIを部下にしたい”仲間を募集
1. はじめに
日々のプリセールス業務――顧客ヒアリング、要件定義、提案資料作成、見積り提示――は、どうしても泥臭い反復作業が多いものです。本検討では、最新の生成AIツールを組み合わせてこの一連の工程を自動化・高速化し、「人が本当に価値を出す部分」に集中できる体制を模索しました。
この記事では、実際に社内で試行・議論した結果をもとに、
- どのフェーズでAIが効果を発揮したか
- どこに限界があるか
- 今後どのように運用をブラッシュアップしていくか
を詳しく解説します。
2. この記事のターゲットとゴール
誰に向けた記事なのか
- プリセールスを含む上流工程に関わるエンジニア（要件定義、技術営業、ソリューションアーキテクトなど）
- AIツールを実務に取り込みたいAIエンジニア／SRE／インフラエンジニア
この記事を読むとなにが理解できるのか
- プリセールス各フェーズをAIで効率化する具体的フロー
- 成功事例（要件抽出の8割精度化、即席モック作成など）
- 自動化ドラフトの課題点と、現場で求められる人間の役割
- 次のステップ—ガイドライン整備やツール環境構築のロードマップ
3. 背景と目的
本検討は、AI技術を積極的に活用し、プリセールスプロセスを抜本的に見直すことで、生産性向上と対応力の強化を図ることを目的に実施しました。
具体的なゴールは以下の通りです。
-
プリセールス業務の型化・効率化
AIを活用した標準フローを確立し、作業時間を大幅に短縮する。 -
対応範囲の拡大
定型的な初期対応をAIで補完し、営業や技術チームでも高いレベルのアウトプットを可能にする。 -
開発リソースの最適化
プリセールス段階での要件精度を向上させ、後続開発での手戻りを減らし、生産性を高める。
4. AI活用プリセールスフロー
初期検討段階では、以下のフェーズごとにAIツールを割り当てました。
- 相談・ヒアリング（tldv → Claude）
- 要件定義（Claude）
- UIモック作成（V0）
- 提案資料構成・本稿（Claude＋Marp/Manus）
- 見積りドラフト（Claude）
各ステップでは上記のプロンプト設計を行い、「土木ドメイン専門」「役割別工数」「ドキュメント形式」など厳密な制約を与えたうえで試験導入しました。
5. 検証結果と学び
ポジティブな成果
-
要件抽出の効率化
会議メモの文字起こしをClaudeに投げると、人手2時間→20分程度で機能／非機能要件を整理でき、約8割の精度を確認。 -
モック作成の高速化
V0で4〜5回プロンプトを往復すれば、当日中に提案に十分使えるUIたたき台が完成。 -
資料構成の自動生成
「背景→解決策→効果」の骨子出力は即戦力。資料作成の前段階をAIが担い、ストーリー設計に集中可能。 -
初期見積りの場当たり生成
要件定義直後に概算をAIで算出し、その場で金額感や機能過不足を顧客と検討。スピード感が大幅に向上。
指摘された課題
-
ニュアンス喪失
顧客の口調や非言語的なニュアンスはAIに伝わりづらく、最終的に人の確認が必須。 -
モックの粗さ
配色・レスポンシブなど細かいUX要素は未完成。デザイン調整の手間は残る。 -
見積りバラつき
モデルごとに工数・金額が1.5〜2倍変動。「AIエンジニア3名」など過剰配置例も発生。テンプレ整備が急務。 -
プロンプト依存の危険
長いセッションで追加要求を続けるとAIが自己解釈を始める。穴埋め式テンプレ＋短区切りが安定。 -
完全自動化はまだ先
各工程とも「ドラフト」止まり。最終品質担保には必ず人のレビュー・修正が求められる。
6. 課題と今後のネクストアクション
-
見積り精度向上
- モデル横断の工数テンプレと社内ガイドラインを整備
- ロール別「最低工数」「想定リスク」をAIに学習させる
-
成功事例の蓄積と共有
- Notionにプロンプト／出力結果を蓄積し、組織横断でナレッジ化
-
ツール環境整備
- V0・tldvなどのライセンスを社内標準化し、誰でも即アクセス可能に
-
ヒアリング品質向上
- 「聞くべき質問リスト」をフォーマット化し、要件定義前のインプットを強化
-
アウトプット型式の固化
- モック、提案資料、見積りそれぞれに最適なテンプレート＆プロンプトを完成
-
外部知見の活用
- 社内専門家・パートナー企業のレビューを定期的に実施し、品質担保
7. まとめ：人×AIのベストプラクティス
-
AIは「高速ドラフトエンジン」
要件整理、モック、資料構成、概算見積りといった定型作業を爆速化。 -
最終判断は人に委ねよ
ニュアンス・リスク評価・デザイン調整は、ドメイン知見豊富なエンジニア／PMの出番。 -
「アシスタントAI」 が最適解
完全自動化ではなく、人と組み合わさることで初めて業務が加速し、品質が担保される――これが現実的なスタンスです。
8. 採用情報 ―― “生成 AIを部下にしたい”仲間を募集
Malme は「土木×IT×生成 AI」でインフラ産業を進化させるエンジニアを募集中！
| ポジション | 想定年収 | 働き方 | フィットする人 |
|---|---|---|---|
| AI エンジニア | 700〜1,100 万円 | フルリモート | LLM・Bedrock・Devin で“AI 部下”を操縦したい |
| Tech Lead / Web エンジニア | 450〜800 万円 | フルリモート | Go / Python / TypeScript で高速スケールさせたい |
| インフラエンジニア | 450〜900 万円 | フルリモート | AWS / GCP & IaC で土木 DX 基盤を支えたい |
| 土木ブリッジエンジニア | 400〜1,000 万円 | フルリモート | 構造設計＋3D モデリングで現場と開発を橋渡し |
| PdM／PM | 500〜1,000 万円 | フルリモート | 建設 DX の Dev×Biz×現場を束ねたい |
応募方法:
HERP Careersで職種を選んでエントリー → カジュアル面談 でまずは話を聞いてください！
「プリセを AI に振って、レビューに本気で向き合いたい」
「生成 AI を部下にして、産業レガシーを塗り替えたい」
――そんなエンジニアのご応募をお待ちしています！
Discussion